Foi disponibilizado um formulado Google forms com 23 perguntas, com perguntas pessoais e relevantes ao mercado de trabalho. O objetivo é responder algumas perguntas.
O principal objetivo geral desta análise, é verificar com base nas resposta, como anda o mercado de trabalho, de acordo faixa etária e escolaridade.
Perguntas para chegar no objetivo geral:
Qual a faixa salario por idade e escolaridade?
Se a ansiedade esta atrapalhando no dia-a-dia do trabalho?
Qual os principais motivos que leva as amostra saírem, entrar ou mudar de emprego?
Qual a expectativa salarial por idade e escolaridade?
Se a amostra esta contente com o salário ofertado em seu emprego atual, se esta justo ou não sobre sua demanda no cenário de trabalho.
Se estar ou não facil a mudança, ou recolocação profissional da amostra no mercado de trabalho.
Qual o tempo de serviço desses profissionais estão ficando ou mudando de emprego / trabalho?
Classificação do seu "eu" profissional ligado ao líder, tempo de deslocação, conformidade com salário, expectativa salarial.
Com tudo apos essas analise pode-se ter uma análise sobre o mercado de trabalho relacionado com o 'eu profissional'
link formulario: https://docs.google.com/forms/d/e/1FAIpQLSeCN1W_4F2EG9nHzv1yl-TKqWIB9Fp_ri-BnjV7nGz32DCKaA/viewform?usp=sf_link
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
import plotly.express as px
import seaborn as sns # biblioteca de graficos
import matplotlib.pyplot as plt # biblioteca de graficos
# Carregar base de dados
df = pd.read_excel(r'C:\Users\Samsung\Desktop\TREINAMENTO\formulario google\Pesquisa sobre Mercado de trabalho (respostas).xlsx')
# tratar base de dados
df = df.rename(columns={'Qual a sua idade?': 'Idade', 'Qual estado você trabalha?': 'Estado',
'Como você chega até seu local de trabalho?': 'Meio_tranporte',
'Quanto tempo em média leva para chegar até o local de trabalho?': 'Tempo_Deslocamento',
'Qual sua renda mensal?': 'Renda_mensal', 'Qual sua expectativa de salário para daqui a 5 anos?': 'Expectativa_salarial',
'Você possui outra fonte de renda além de seu trabalho? ': 'Renda_extra', 'Vocé é ansioso (a) ?': 'Ansioso',
'Se sim, isso te afeta no dia a dia de trabalho?': 'Ansiendade_afeta', 'Você acredita que o lider/gestor afeta seu desenvolvimento e desempenho?':
'Desempelho_lider', 'Você se considera um profissional com autonomia?\n\nUma pessoa autônoma no trabalho é aquela que tem certa liberdade para agir onde trabalha. Isso não significa que só faça o que quer e quando quer, mas que pode cumprir suas tarefas de acordo com a sua autogestão.':
'autonomo', 'Você se considera um profissional generalista ou especialista?\n\nO profissional generalista domina diversos assuntos dentro de várias áreas de atuação. Já o especialista domina tudo sobre uma área específica de atuação': 'Classificacão',
'Qual o tempo máximo que já ficou em um emprego/trabalho?': 'Tempo_carteira', 'Nos dias atuais, acredita ser fácil trocar de emprego?': 'Faci_relocacao', 'Qual sua área de atuação?\nExempo: Com uma palavra como: Logistica, Vendas, Limpeza, Administração , TI entre outras...':
'Area', 'Você possui outra fonte de renda além de seu trabalho?': 'Renda_extra', 'Acredita ganhar o suficiente no emprego/trabalho atual?\n\n trabalho está ligado a objetivos e realizações profissionais, emprego é simplesmente uma forma de conseguir renda':
'Conformidade_salario', 'Procura buscar conhecimento extra para que seus objetivos profissionais sejam alcançados?': 'atv_extra', 'Com palavras chaves, oque te motivou sair do último emprego?\nExempo: gestão desqualificada, exploração, remuneração entre outras':
'mud_emprego', 'O que te motiva entrar em uma empresa?': 'Motiv_entrar', 'O que te motiva sair em uma empresa?': 'Motiv_sair', 'Qual seu nível de maior escolaridade concluída?':'Escolaridade', 'Quantas vezes ja mudou de emprego?': 'Mudanca_emprego'})
# tratar string
df["Expectativa_salarial"] = df["Expectativa_salarial"].astype(int)
df.Renda_mensal = df.Renda_mensal.replace('Entre R$ 2.000,00 a R$ 4000,00', 'Entre R$ 2.001,00 a R$ 4000,00')
df.loc[df.Ansioso == 'Não', ['Ansiendade_afeta']] = 'Não sou ansioso'
df.loc[(df.Ansiendade_afeta == 'Não sou ansioso') & (df.Ansioso == 'Sim'), ['Ansiendade_afeta']] = 'Não'
df.Area = df.Area.str.strip()
df.Escolaridade = df.Escolaridade.str.strip()
df.loc[(df.Escolaridade == 'Superior incompleto') | (df.Escolaridade == 'Ensino superior incompleto') | (df.Escolaridade == 'Superior incompleto') | (df.Escolaridade == 'Ensino superior incompleto') | (df.Escolaridade == 'Estou cursando o ensino superior') | (df.Escolaridade == 'Ensino superior incompleto'), ['Escolaridade']] = 'Ensino Médio'
df.loc[(df.Meio_tranporte == 'Remoto'), ['Meio_tranporte']] = 'home office'
df = df.drop(columns=['Carimbo de data/hora', 'Endereço de e-mail'])
# visualizar base de dados
df.head(5)
| Idade | Estado | Meio_tranporte | Tempo_Deslocamento | Area | Renda_mensal | Expectativa_salarial | Renda_extra | Conformidade_salario | Ansioso | ... | Escolaridade | Motiv_entrar | Motiv_sair | mud_emprego | Faci_relocacao | Mudanca_emprego | Tempo_carteira | Classificacão | autonomo | Desempelho_lider | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Entre 19 a 25 anos | GO | Condução própria | home office | Licenciatura | Estou desempregado | 7000 | Sim | Estou desempregado | Sim | ... | Ensino Médio | Salário, Inclusão, Valores, Beneficios | Salário, Propósito, Falta de reconhecimento, E... | Nunca trabalhei | Não | Até 3 vezes | Menos de 6 meses | Generalista | Sim | Sim |
| 1 | Entre 26 a 30 anos | GO | Transporte da empresa | Meia hora | Outras | Menos de R$ 1.500,00 | 8000 | Não | Não | Sim | ... | Ensino Superior | Salário, Perspectivas de carreira | Falta de reconhecimento | Gestão desqualificada | Não | De 4 a 8 vezes | Entre 12 meses a 24 meses | Generalista | Não | Sim |
| 2 | Entre 31 a 40 anos | GO | Condução própria | Meia hora | Vendas | Entre R$ 1.500,00 e R$ 2.000,00 | 2500 | Não | Sim | Sim | ... | Ensino Médio | Perspectivas de carreira | Valores | Gestão desqualificado | Não | Até 3 vezes | Entre 12 meses a 24 meses | Especialista | Sim | Em partes |
| 3 | Entre 19 a 25 anos | GO | Transporte da empresa | Meia hora | Alimentos | Menos de R$ 1.500,00 | 2500 | Não | Não | Sim | ... | Ensino Médio | Salário, Perspectivas de carreira, Beneficios | Falta de reconhecimento, Exploração de mão de ... | Outra proposta | Não | Até 3 vezes | Entre 6 a 12 meses | Generalista | Talvez | Em partes |
| 4 | Entre 31 a 40 anos | GO | Condução própria | Meia hora | Entregadora | Menos de R$ 1.500,00 | 5000 | Não | Não | Sim | ... | Ensino Médio | Beneficios | Desvio de função, Falta de reconhecimento, Exp... | Pandemia | Não | De 4 a 8 vezes | Mais de 36 meses | Generalista | Não | Sim |
5 rows × 22 columns
# verificar informações da base de dados
N_pesquisa = len(df.Idade)
df.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 61 entries, 0 to 60 Data columns (total 22 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Idade 61 non-null object 1 Estado 61 non-null object 2 Meio_tranporte 61 non-null object 3 Tempo_Deslocamento 61 non-null object 4 Area 61 non-null object 5 Renda_mensal 61 non-null object 6 Expectativa_salarial 61 non-null int32 7 Renda_extra 61 non-null object 8 Conformidade_salario 61 non-null object 9 Ansioso 61 non-null object 10 Ansiendade_afeta 61 non-null object 11 atv_extra 61 non-null object 12 Escolaridade 61 non-null object 13 Motiv_entrar 61 non-null object 14 Motiv_sair 61 non-null object 15 mud_emprego 61 non-null object 16 Faci_relocacao 61 non-null object 17 Mudanca_emprego 61 non-null object 18 Tempo_carteira 61 non-null object 19 Classificacão 61 non-null object 20 autonomo 61 non-null object 21 Desempelho_lider 61 non-null object dtypes: int32(1), object(21) memory usage: 10.4+ KB
# DADOS estatístico string object, numero de resposta e sua moda.
df.select_dtypes('object').describe().transpose()
| count | unique | top | freq | |
|---|---|---|---|---|
| Idade | 61 | 5 | Entre 19 a 25 anos | 30 |
| Estado | 61 | 6 | GO | 55 |
| Meio_tranporte | 61 | 5 | Condução própria | 40 |
| Tempo_Deslocamento | 61 | 5 | Meia hora | 47 |
| Area | 61 | 49 | Vendas | 9 |
| Renda_mensal | 61 | 5 | Menos de R$ 1.500,00 | 22 |
| Renda_extra | 61 | 2 | Não | 46 |
| Conformidade_salario | 61 | 3 | Não | 36 |
| Ansioso | 61 | 2 | Sim | 53 |
| Ansiendade_afeta | 61 | 3 | Sim | 38 |
| atv_extra | 61 | 2 | Sim | 58 |
| Escolaridade | 61 | 6 | Ensino Médio | 29 |
| Motiv_entrar | 61 | 28 | Perspectivas de carreira | 13 |
| Motiv_sair | 61 | 33 | Falta de reconhecimento | 11 |
| mud_emprego | 61 | 47 | Remuneração | 8 |
| Faci_relocacao | 61 | 2 | Não | 50 |
| Mudanca_emprego | 61 | 3 | Até 3 vezes | 45 |
| Tempo_carteira | 61 | 5 | Mais de 36 meses | 29 |
| Classificacão | 61 | 2 | Generalista | 44 |
| autonomo | 61 | 3 | Sim | 40 |
| Desempelho_lider | 61 | 3 | Sim | 31 |
# contagem e analise exploratoria de dados
print("faixa etária de idade das amostras")
print(df.Idade.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("contar numero de Estado onde as amostras trabalham ")
print(df.Estado.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Meio de transporte que as amostras usa para ir trabalhar")
print(df.Meio_tranporte.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Tempo de deslocamento que as amostra usa para irem trabalhar")
print(df.Tempo_Deslocamento.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Area de atuação das amostras")
print(df.Area.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Faixa salarial das amostras")
print(df.Renda_mensal.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Faixa de expectativa salarial após 5 anos")
print(df.Expectativa_salarial.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Número de amostra que cotém renda extra")
print(df.Renda_extra.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Número de amostra que acredita receber o salario suficiente")
print(df.Conformidade_salario.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Número de amostra que são ansiosos")
print(df.Ansioso.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Número de amostra que são afetada pela ansiendade")
print(df.Ansiendade_afeta.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Número de amostra que buscam aprimorar conhecimento")
print(df.atv_extra.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Grau de escoladirade das amostra")
print(df.Escolaridade.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Numero de amostra que acreditar sobre facilidade de relocação de emprego")
print(df.Faci_relocacao .value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Numero de vez que a amostra mudou de emprego")
print(df.Mudanca_emprego.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Tempo de casa das amostra")
print(df.Tempo_carteira.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Classificação da amostra")
print(df.Classificacão.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Numero de funcionario autonomo")
print(df.autonomo.value_counts(normalize=True).map("{:.1%}".format))
print("-"*60)
print("Numero sobre desemprenho afetado pela liderança")
print(df.Desempelho_lider.value_counts(normalize=True).map("{:.1%}".format))
faixa etária de idade das amostras Entre 19 a 25 anos 49.2% Entre 26 a 30 anos 24.6% Entre 31 a 40 anos 19.7% + 41 anos 4.9% Entre 16 a 18 anos 1.6% Name: Idade, dtype: object ------------------------------------------------------------ contar numero de Estado onde as amostras trabalham GO 90.2% MG 3.3% CE 1.6% SC 1.6% SP 1.6% Df 1.6% Name: Estado, dtype: object ------------------------------------------------------------ Meio de transporte que as amostras usa para ir trabalhar Condução própria 65.6% Andando 16.4% Transporte da empresa 13.1% home office 3.3% Transporte público 1.6% Name: Meio_tranporte, dtype: object ------------------------------------------------------------ Tempo de deslocamento que as amostra usa para irem trabalhar Meia hora 77.0% Uma hora 13.1% home office 6.6% Mais de duas horas 1.6% Uma hora e meia 1.6% Name: Tempo_Deslocamento, dtype: object ------------------------------------------------------------ Area de atuação das amostras Vendas 14.8% administração 3.3% Financeiro 3.3% Limpeza 3.3% RH 3.3% Emplacamento 1.6% Motorista 1.6% Professora 1.6% Professor 1.6% Design de sobrancelha 1.6% Empresa Alimentícia 1.6% Recepção 1.6% Financeira 1.6% TI, Ensino de idiomas 1.6% Licenciatura 1.6% Beleza 1.6% Automação 1.6% Corretora 1.6% Secretaria 1.6% Lavador 1.6% Caixa executivo 1.6% Auxiliar de produção 1.6% Industria 1.6% Auxiliar de sala 1.6% Turismo 1.6% Estudante 1.6% Jurídica 1.6% Qualidade 1.6% Outras 1.6% Alimentos 1.6% Entregadora 1.6% Operador de produção 1.6% Zootecnia 1.6% Adm, manutenção 1.6% Pintura 1.6% Carpinteiro 1.6% Médico veterinário 1.6% Atendimento 1.6% Auxiliar de secretaria 1.6% Representante comercial 1.6% Logística 1.6% TI 1.6% Agropecuária 1.6% Educação 1.6% Reposição 1.6% Administrativo 1.6% Serviço público 1.6% Domestica e babá 1.6% Administração 1.6% Name: Area, dtype: object ------------------------------------------------------------ Faixa salarial das amostras Menos de R$ 1.500,00 36.1% Entre R$ 1.500,00 e R$ 2.000,00 24.6% Entre R$ 2.001,00 a R$ 4000,00 23.0% Estou desempregado 8.2% Entre R$ 4.001,00 a R$ 10.000,00 8.2% Name: Renda_mensal, dtype: object ------------------------------------------------------------ Faixa de expectativa salarial após 5 anos 5000 18.0% 10000 18.0% 3000 8.2% 7000 6.6% 4000 6.6% 2500 4.9% 6000 4.9% 15000 4.9% 8000 4.9% 2000 4.9% 500000 3.3% 9000 1.6% 2400 1.6% 3500 1.6% 1000000 1.6% 2100 1.6% 2300 1.6% 12000 1.6% 600000 1.6% 4500 1.6% Name: Expectativa_salarial, dtype: object ------------------------------------------------------------ Número de amostra que cotém renda extra Não 75.4% Sim 24.6% Name: Renda_extra, dtype: object ------------------------------------------------------------ Número de amostra que acredita receber o salario suficiente Não 59.0% Sim 32.8% Estou desempregado 8.2% Name: Conformidade_salario, dtype: object ------------------------------------------------------------ Número de amostra que são ansiosos Sim 86.9% Não 13.1% Name: Ansioso, dtype: object ------------------------------------------------------------ Número de amostra que são afetada pela ansiendade Sim 62.3% Não 24.6% Não sou ansioso 13.1% Name: Ansiendade_afeta, dtype: object ------------------------------------------------------------ Número de amostra que buscam aprimorar conhecimento Sim 95.1% Não me sobra tempo 4.9% Name: atv_extra, dtype: object ------------------------------------------------------------ Grau de escoladirade das amostra Ensino Médio 47.5% Ensino Superior 27.9% Ensino Técnico 14.8% Ensino fundamental 4.9% Especialista 3.3% Mestrado 1.6% Name: Escolaridade, dtype: object ------------------------------------------------------------ Numero de amostra que acreditar sobre facilidade de relocação de emprego Não 82.0% Sim 18.0% Name: Faci_relocacao, dtype: object ------------------------------------------------------------ Numero de vez que a amostra mudou de emprego Até 3 vezes 73.8% De 4 a 8 vezes 24.6% De 9 a 12 vezes 1.6% Name: Mudanca_emprego, dtype: object ------------------------------------------------------------ Tempo de casa das amostra Mais de 36 meses 47.5% Entre 12 meses a 24 meses 19.7% Entre 24 meses a 36 meses 14.8% Entre 6 a 12 meses 11.5% Menos de 6 meses 6.6% Name: Tempo_carteira, dtype: object ------------------------------------------------------------ Classificação da amostra Generalista 72.1% Especialista 27.9% Name: Classificacão, dtype: object ------------------------------------------------------------ Numero de funcionario autonomo Sim 65.6% Talvez 18.0% Não 16.4% Name: autonomo, dtype: object ------------------------------------------------------------ Numero sobre desemprenho afetado pela liderança Sim 50.8% Em partes 32.8% Não 16.4% Name: Desempelho_lider, dtype: object
# biblioteca para guardar funções para o decorrer do código
def wordtex(coluna):
text = list(coluna)
text = " ".join(a for a in text)
# lista de stopword
stopwords = set(STOPWORDS)
stopwords.update(["da", "meu", "em", "você", "de", "ao", "os", "falta"])
# gerar uma wordcloud
wordcloud = WordCloud(stopwords=stopwords,
background_color="black",
width=1600, height=800).generate(text)
# mostrar a imagem final
fig, ax = plt.subplots(figsize=(10,6))
ax.imshow(wordcloud, interpolation='bilinear')
ax.set_axis_off()
plt.imshow(wordcloud);
wordcloud.to_file("airbnb_summary_wordcloud.png")
# definir função para diagrama de caixa
def diagrama_cx(coluna):
fig, (ax1, ax2) = plt.subplots(1, 2) # configuração do grafico
fig.set_size_inches(15, 5) # configuração do grafico
sns.boxplot(x=coluna, ax=ax1)
ax2.set_xlim(limites(coluna))
sns.boxplot(x=coluna, ax=ax2)
# definir função para histrograma
def histrograma(coluna):
plt.figure(figsize=(15,5)) # configuração do grafico
sns.histplot(coluna, bins=50, kde=True) # grafico hitrograma
# definir limite para colunas
def limites(coluna):
q1 = coluna.quantile(0.25)
q3 = coluna.quantile(0.75)
amplitude = q3 - q1
return q1 - 1.5 * amplitude, q3 + 1.5 *amplitude
# definir função para excluir outliers
def excluir_outliers(base_d_dados, nome_coluna):
qtd_linha = base_d_dados.shape[0]
lim_inf, lim_sup = limites(base_d_dados[nome_coluna])
base_d_dados = base_d_dados.loc[(base_d_dados[nome_coluna] >= lim_inf) & (base_d_dados[nome_coluna] <= lim_sup), :]
linhas_removidas = qtd_linha - base_d_dados.shape[0]
return base_d_dados, linhas_removidas
def grafico_barra(coluna):
plt.figure(figsize=(15, 5))
ax = sns.barplot(x=coluna.value_counts().index, y=coluna.value_counts())
ax.set_xlim(limites(coluna))
def valuecout (tabela, coluna):
print(f" total {len(tabela[coluna])}")
print(tabela[coluna].value_counts())
print('%'*60)
print(tabela[coluna].value_counts(normalize=True).map("{:.1%}".format))
print('-'*60)
# nuvem de palavra para analisar os principais motivos que levam as amostras a entrar em uma empresa
# obs.: quanto maior a palavra mais vezes a palavra se repete
wordtex(df.Motiv_entrar)
# nuvem de palavra para analisar os principais motivos que levam as amostras a sair de uma empresa
wordtex(df.Motiv_sair)
# nuvem de palavra para analisar os principais motivos que levaram as amostras a mudarem de emprego
wordtex(df.mud_emprego)
# nuvem de palavra para analisar area de atuação de cada amostra
wordtex(df.Area)
# separar data base com colunas para importante para chegar ao objetivo proposto
df2 = pd.DataFrame()
df2['escolaridade'] = df.Escolaridade
df2["faixa_idade"] = df.Idade
df2['faixa_salarial'] = df.Renda_mensal
df2['renda_extra'] = df.Renda_extra
df2["espectativa"] = df.Expectativa_salarial
# visualizar base de dados para análise
df2
| escolaridade | faixa_idade | faixa_salarial | renda_extra | espectativa | |
|---|---|---|---|---|---|
| 0 | Ensino Médio | Entre 19 a 25 anos | Estou desempregado | Sim | 7000 |
| 1 | Ensino Superior | Entre 26 a 30 anos | Menos de R$ 1.500,00 | Não | 8000 |
| 2 | Ensino Médio | Entre 31 a 40 anos | Entre R$ 1.500,00 e R$ 2.000,00 | Não | 2500 |
| 3 | Ensino Médio | Entre 19 a 25 anos | Menos de R$ 1.500,00 | Não | 2500 |
| 4 | Ensino Médio | Entre 31 a 40 anos | Menos de R$ 1.500,00 | Não | 5000 |
| ... | ... | ... | ... | ... | ... |
| 56 | Ensino Superior | Entre 19 a 25 anos | Menos de R$ 1.500,00 | Sim | 5000 |
| 57 | Ensino Técnico | Entre 31 a 40 anos | Menos de R$ 1.500,00 | Sim | 6000 |
| 58 | Ensino Técnico | Entre 26 a 30 anos | Entre R$ 1.500,00 e R$ 2.000,00 | Não | 4500 |
| 59 | Ensino Superior | Entre 26 a 30 anos | Entre R$ 1.500,00 e R$ 2.000,00 | Não | 10000 |
| 60 | Ensino Médio | Entre 26 a 30 anos | Menos de R$ 1.500,00 | Não | 3000 |
61 rows × 5 columns
# Analisa faixa de idade, salarial e de renda extra em relação à nivel de Ensino Médio
em = df2.loc[df2.escolaridade == 'Ensino Médio']
valuecout(em, 'faixa_idade')
valuecout(em, 'faixa_salarial')
valuecout(em, 'renda_extra')
total 29 Entre 19 a 25 anos 16 Entre 26 a 30 anos 6 Entre 31 a 40 anos 5 + 41 anos 1 Entre 16 a 18 anos 1 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre 19 a 25 anos 55.2% Entre 26 a 30 anos 20.7% Entre 31 a 40 anos 17.2% + 41 anos 3.4% Entre 16 a 18 anos 3.4% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 29 Menos de R$ 1.500,00 13 Entre R$ 1.500,00 e R$ 2.000,00 9 Entre R$ 2.001,00 a R$ 4000,00 4 Estou desempregado 3 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Menos de R$ 1.500,00 44.8% Entre R$ 1.500,00 e R$ 2.000,00 31.0% Entre R$ 2.001,00 a R$ 4000,00 13.8% Estou desempregado 10.3% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 29 Não 23 Sim 6 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Não 79.3% Sim 20.7% Name: renda_extra, dtype: object ------------------------------------------------------------
# Analisa faixa de idade, salarial e de renda extra em relação à nivel de Ensino Técnico
et = df2.loc[df2.escolaridade == 'Ensino Técnico']
valuecout(et, 'faixa_idade')
valuecout(et, 'faixa_salarial')
valuecout(et, 'renda_extra')
total 9 Entre 19 a 25 anos 6 Entre 31 a 40 anos 2 Entre 26 a 30 anos 1 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre 19 a 25 anos 66.7% Entre 31 a 40 anos 22.2% Entre 26 a 30 anos 11.1% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 9 Menos de R$ 1.500,00 5 Entre R$ 1.500,00 e R$ 2.000,00 2 Estou desempregado 1 Entre R$ 2.001,00 a R$ 4000,00 1 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Menos de R$ 1.500,00 55.6% Entre R$ 1.500,00 e R$ 2.000,00 22.2% Estou desempregado 11.1% Entre R$ 2.001,00 a R$ 4000,00 11.1% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 9 Não 5 Sim 4 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Não 55.6% Sim 44.4% Name: renda_extra, dtype: object ------------------------------------------------------------
# Analisa faixa de idade, salarial e de renda extra em relação à nivel do Ensino Superior
es = df2.loc[df2.escolaridade == 'Ensino Superior']
valuecout(es, 'faixa_idade')
valuecout(es, 'faixa_salarial')
valuecout(es, 'renda_extra')
total 17 Entre 19 a 25 anos 8 Entre 26 a 30 anos 6 Entre 31 a 40 anos 3 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre 19 a 25 anos 47.1% Entre 26 a 30 anos 35.3% Entre 31 a 40 anos 17.6% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 17 Entre R$ 2.001,00 a R$ 4000,00 8 Entre R$ 1.500,00 e R$ 2.000,00 3 Entre R$ 4.001,00 a R$ 10.000,00 3 Menos de R$ 1.500,00 2 Estou desempregado 1 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre R$ 2.001,00 a R$ 4000,00 47.1% Entre R$ 1.500,00 e R$ 2.000,00 17.6% Entre R$ 4.001,00 a R$ 10.000,00 17.6% Menos de R$ 1.500,00 11.8% Estou desempregado 5.9% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 17 Não 13 Sim 4 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Não 76.5% Sim 23.5% Name: renda_extra, dtype: object ------------------------------------------------------------
# Analisa faixa de idade, salarial e de renda extra em relação à nivel do Ensino fundamental
ef = df2.loc[df2.escolaridade == 'Ensino fundamental']
valuecout(ef, 'faixa_idade')
valuecout(ef, 'faixa_salarial')
valuecout(ef, 'renda_extra')
total 3 Entre 31 a 40 anos 1 + 41 anos 1 Entre 26 a 30 anos 1 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre 31 a 40 anos 33.3% + 41 anos 33.3% Entre 26 a 30 anos 33.3% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 3 Menos de R$ 1.500,00 2 Entre R$ 1.500,00 e R$ 2.000,00 1 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Menos de R$ 1.500,00 66.7% Entre R$ 1.500,00 e R$ 2.000,00 33.3% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 3 Não 3 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Não 100.0% Name: renda_extra, dtype: object ------------------------------------------------------------
# Analisa faixa de idade, salarial e de renda extra em relação à nivel do Mestrado
m = df2.loc[df2.escolaridade == 'Mestrado']
valuecout(m, 'faixa_idade')
valuecout(m, 'faixa_salarial')
valuecout(m, 'renda_extra')
total 1 + 41 anos 1 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% + 41 anos 100.0% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 1 Entre R$ 4.001,00 a R$ 10.000,00 1 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre R$ 4.001,00 a R$ 10.000,00 100.0% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 1 Não 1 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Não 100.0% Name: renda_extra, dtype: object ------------------------------------------------------------
# Analisa faixa de idade, salarial e de renda extra em relação à nivel do Especialista
m = df2.loc[df2.escolaridade == 'Especialista']
valuecout(m, 'faixa_idade')
valuecout(m, 'faixa_salarial')
valuecout(m, 'renda_extra')
total 2 Entre 26 a 30 anos 1 Entre 31 a 40 anos 1 Name: faixa_idade, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre 26 a 30 anos 50.0% Entre 31 a 40 anos 50.0% Name: faixa_idade, dtype: object ------------------------------------------------------------ total 2 Entre R$ 4.001,00 a R$ 10.000,00 1 Entre R$ 2.001,00 a R$ 4000,00 1 Name: faixa_salarial, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Entre R$ 4.001,00 a R$ 10.000,00 50.0% Entre R$ 2.001,00 a R$ 4000,00 50.0% Name: faixa_salarial, dtype: object ------------------------------------------------------------ total 2 Sim 1 Não 1 Name: renda_extra, dtype: int64 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Sim 50.0% Não 50.0% Name: renda_extra, dtype: object ------------------------------------------------------------
# filtrar a base de dados para analisar somente as amostra que são ansiosa
ans = df.loc[df.Ansioso == 'Sim']
# visualizar base de dados
ans.head(5)
| Idade | Estado | Meio_tranporte | Tempo_Deslocamento | Area | Renda_mensal | Expectativa_salarial | Renda_extra | Conformidade_salario | Ansioso | ... | Escolaridade | Motiv_entrar | Motiv_sair | mud_emprego | Faci_relocacao | Mudanca_emprego | Tempo_carteira | Classificacão | autonomo | Desempelho_lider | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Entre 19 a 25 anos | GO | Condução própria | home office | Licenciatura | Estou desempregado | 7000 | Sim | Estou desempregado | Sim | ... | Ensino Médio | Salário, Inclusão, Valores, Beneficios | Salário, Propósito, Falta de reconhecimento, E... | Nunca trabalhei | Não | Até 3 vezes | Menos de 6 meses | Generalista | Sim | Sim |
| 1 | Entre 26 a 30 anos | GO | Transporte da empresa | Meia hora | Outras | Menos de R$ 1.500,00 | 8000 | Não | Não | Sim | ... | Ensino Superior | Salário, Perspectivas de carreira | Falta de reconhecimento | Gestão desqualificada | Não | De 4 a 8 vezes | Entre 12 meses a 24 meses | Generalista | Não | Sim |
| 2 | Entre 31 a 40 anos | GO | Condução própria | Meia hora | Vendas | Entre R$ 1.500,00 e R$ 2.000,00 | 2500 | Não | Sim | Sim | ... | Ensino Médio | Perspectivas de carreira | Valores | Gestão desqualificado | Não | Até 3 vezes | Entre 12 meses a 24 meses | Especialista | Sim | Em partes |
| 3 | Entre 19 a 25 anos | GO | Transporte da empresa | Meia hora | Alimentos | Menos de R$ 1.500,00 | 2500 | Não | Não | Sim | ... | Ensino Médio | Salário, Perspectivas de carreira, Beneficios | Falta de reconhecimento, Exploração de mão de ... | Outra proposta | Não | Até 3 vezes | Entre 6 a 12 meses | Generalista | Talvez | Em partes |
| 4 | Entre 31 a 40 anos | GO | Condução própria | Meia hora | Entregadora | Menos de R$ 1.500,00 | 5000 | Não | Não | Sim | ... | Ensino Médio | Beneficios | Desvio de função, Falta de reconhecimento, Exp... | Pandemia | Não | De 4 a 8 vezes | Mais de 36 meses | Generalista | Não | Sim |
5 rows × 22 columns
# Analisa faixa de idade em relação se a ansiedade afeta ou não no dia-a-dia do trabalho
grafico = px.histogram(ans, x=['Idade'], color="Ansiendade_afeta", text_auto=True, color_discrete_sequence=["red", "black"])
grafico.show()
# Analisa faixa de escolaridade em relação se a ansiedade afeta ou não no dia-a-dia do trabalho
grafico = px.histogram(ans, x=['Escolaridade'], color="Ansiendade_afeta", text_auto=True, color_discrete_sequence=["black", "red"])
grafico.show()
# Separar base de dados com expectativa salarial, escolaridade para analisar ate chegar ao objetivo proposto
df_aux1 = pd.DataFrame()
df_aux1["expectativa_salarial"] = df.Expectativa_salarial
df_aux1["escolaridade"] = df.Escolaridade
df_aux1["idade"] = df.Idade
# visualizar base de dados
df_aux1.head(5)
| expectativa_salarial | escolaridade | idade | |
|---|---|---|---|
| 0 | 7000 | Ensino Médio | Entre 19 a 25 anos |
| 1 | 8000 | Ensino Superior | Entre 26 a 30 anos |
| 2 | 2500 | Ensino Médio | Entre 31 a 40 anos |
| 3 | 2500 | Ensino Médio | Entre 19 a 25 anos |
| 4 | 5000 | Ensino Médio | Entre 31 a 40 anos |
# ver outliers da coluna de expectativa salarial, onde sera retirado os outlier para não ter erro na análise
diagrama_cx(df_aux1.expectativa_salarial)
histrograma(df_aux1.expectativa_salarial)
# Deletar outliers
df_aux1, linhas_removida = excluir_outliers(df_aux1, "expectativa_salarial")
print('{} linhas removidas'.format(linhas_removida))
4 linhas removidas
# ver gráfico dados apos remover os outliers
diagrama_cx(df_aux1.expectativa_salarial)
histrograma(df_aux1.expectativa_salarial)
# visualisar as 5 primeiras linha da base de dados
df_aux1.head(5)
| expectativa_salarial | escolaridade | idade | |
|---|---|---|---|
| 0 | 7000 | Ensino Médio | Entre 19 a 25 anos |
| 1 | 8000 | Ensino Superior | Entre 26 a 30 anos |
| 2 | 2500 | Ensino Médio | Entre 31 a 40 anos |
| 3 | 2500 | Ensino Médio | Entre 19 a 25 anos |
| 4 | 5000 | Ensino Médio | Entre 31 a 40 anos |
# análise da média da expectativa salarial por escolaridade
df_aux3 = df_aux1.groupby('escolaridade')['expectativa_salarial'].mean().reset_index()
pd.set_option('display.precision', 2)
df_aux3
| escolaridade | expectativa_salarial | |
|---|---|---|
| 0 | Ensino Médio | 5257.69 |
| 1 | Ensino Superior | 8631.25 |
| 2 | Ensino Técnico | 4833.33 |
| 3 | Ensino fundamental | 4000.00 |
| 4 | Especialista | 10000.00 |
| 5 | Mestrado | 10000.00 |
# análise da média da expectativa salaria por idade
df_aux3 = df_aux1.groupby('idade')['expectativa_salarial'].mean().reset_index()
pd.set_option('display.precision', 2)
df_aux3
| idade | expectativa_salarial | |
|---|---|---|
| 0 | + 41 anos | 6666.67 |
| 1 | Entre 16 a 18 anos | 2000.00 |
| 2 | Entre 19 a 25 anos | 6526.67 |
| 3 | Entre 26 a 30 anos | 6071.43 |
| 4 | Entre 31 a 40 anos | 6388.89 |
df3 = pd.DataFrame()
df3["idade"] = df.Idade
df3["meio_traporte"] = df.Meio_tranporte
df3["deslocamento"] = df.Tempo_Deslocamento
df3['conf_salario'] = df.Conformidade_salario
df3["classificacao"] = df.Classificacão
df3['relocação'] = df.Mudanca_emprego
df3["autonomo"] = df.autonomo
df3["lideranca"] = df.Desempelho_lider
df3["espectativa"] = df_aux1.expectativa_salarial
df3['index'] = 1
df3.head(5)
| idade | meio_traporte | deslocamento | conf_salario | classificacao | relocação | autonomo | lideranca | espectativa | index | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Entre 19 a 25 anos | Condução própria | home office | Estou desempregado | Generalista | Até 3 vezes | Sim | Sim | 7000.0 | 1 |
| 1 | Entre 26 a 30 anos | Transporte da empresa | Meia hora | Não | Generalista | De 4 a 8 vezes | Não | Sim | 8000.0 | 1 |
| 2 | Entre 31 a 40 anos | Condução própria | Meia hora | Sim | Especialista | Até 3 vezes | Sim | Em partes | 2500.0 | 1 |
| 3 | Entre 19 a 25 anos | Transporte da empresa | Meia hora | Não | Generalista | Até 3 vezes | Talvez | Em partes | 2500.0 | 1 |
| 4 | Entre 31 a 40 anos | Condução própria | Meia hora | Não | Generalista | De 4 a 8 vezes | Não | Sim | 5000.0 | 1 |
# Análise do tempo de deslocamento médio para se locomover ate o local de trabalho.
df3.groupby(['idade', 'deslocamento'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| deslocamento | Meia hora | Uma hora | Meia hora | Mais de duas horas | Meia hora | Uma hora | home office | Meia hora | Uma hora | home office | Meia hora | Uma hora | Uma hora e meia | home office |
| index | 2 | 1 | 1 | 1 | 23 | 4 | 2 | 12 | 2 | 1 | 9 | 1 | 1 | 1 |
# Análise do meio de transporte para se locomover ate o local de trabalho
df3.groupby(['idade', 'meio_traporte'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| meio_traporte | Andando | Condução própria | Condução própria | Andando | Condução própria | Transporte da empresa | Andando | Condução própria | Transporte da empresa | Transporte público | home office | Andando | Condução própria | Transporte da empresa | home office |
| index | 1 | 2 | 1 | 3 | 21 | 6 | 3 | 9 | 1 | 1 | 1 | 3 | 7 | 1 | 1 |
# Analise conformidade do salário em relação à idade
df3.groupby(['idade', 'conf_salario'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| conf_salario | Não | Sim | Não | Estou desempregado | Não | Sim | Estou desempregado | Não | Sim | Não | Sim |
| index | 2 | 1 | 1 | 4 | 15 | 11 | 1 | 11 | 3 | 7 | 5 |
# Analise classificação especialista ou generalista por idade
df3.groupby(['idade', 'classificacao'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |
|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| classificacao | Especialista | Generalista | Especialista | Especialista | Generalista | Especialista | Generalista | Especialista | Generalista |
| index | 1 | 2 | 1 | 9 | 21 | 4 | 11 | 2 | 10 |
# Analise quantidade de vez de troca de emprego por idade
df3.groupby(['idade', 'relocação'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | |
|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| relocação | Até 3 vezes | De 4 a 8 vezes | De 9 a 12 vezes | Até 3 vezes | Até 3 vezes | De 4 a 8 vezes | Até 3 vezes | De 4 a 8 vezes | Até 3 vezes | De 4 a 8 vezes |
| index | 1 | 1 | 1 | 1 | 27 | 3 | 7 | 8 | 9 | 3 |
# Analise perfil profissional autônomo ou não
df3.groupby(['idade', 'autonomo'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | |
|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| autonomo | Sim | Sim | Não | Sim | Talvez | Não | Sim | Talvez | Não | Sim |
| index | 3 | 1 | 4 | 18 | 8 | 2 | 10 | 3 | 4 | 8 |
# Analise se uma liderança afeta o desemprenho profissional ou não
df3.groupby(['idade', 'lideranca'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| lideranca | Em partes | Sim | Em partes | Em partes | Não | Sim | Em partes | Não | Sim | Em partes | Não | Sim |
| index | 1 | 2 | 1 | 9 | 6 | 15 | 5 | 1 | 9 | 4 | 3 | 5 |
# Análise de conformidade do salário em relação aos serviço prestado
df3.groupby(['idade', 'conf_salario'])['index'].count().reset_index().transpose()
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| idade | + 41 anos | + 41 anos | Entre 16 a 18 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 19 a 25 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 26 a 30 anos | Entre 31 a 40 anos | Entre 31 a 40 anos |
| conf_salario | Não | Sim | Não | Estou desempregado | Não | Sim | Estou desempregado | Não | Sim | Não | Sim |
| index | 2 | 1 | 1 | 4 | 15 | 11 | 1 | 11 | 3 | 7 | 5 |
# Analise estastica
expectativa_salarial = df3.groupby(['idade'])['espectativa'].describe().reset_index()
expectativa_salarial = expectativa_salarial.drop(columns=['std', '25%', '50%', '75%'])
expectativa_salarial
| idade | count | mean | min | max | |
|---|---|---|---|---|---|
| 0 | + 41 anos | 3.0 | 6666.67 | 5000.0 | 10000.0 |
| 1 | Entre 16 a 18 anos | 1.0 | 2000.00 | 2000.0 | 2000.0 |
| 2 | Entre 19 a 25 anos | 30.0 | 6526.67 | 2000.0 | 15000.0 |
| 3 | Entre 26 a 30 anos | 14.0 | 6071.43 | 2000.0 | 12000.0 |
| 4 | Entre 31 a 40 anos | 9.0 | 6388.89 | 2500.0 | 15000.0 |